基于计算智能的聚类技术及其应用研究

论文摘要

智能是个体有目的的行为、合理的思维,以及有效的适应环境的综合能力。计算智能是多种智能的集合,它具有在不确定不精确环境中进行推理和学习的卓越能力,是建立智能系统和智能模型的有效分析和计算工具。聚类是分析数据并从中发现有用信息的一种有效手段。基于“物以类聚”的思想,它将数据对象分组成为若干个类或簇,使得在同一个簇中的对象之间具有较高的相似度,而不同簇中的对象之间差别很大。通过聚类,人们能够识别密集和稀疏的区域,发现全局的分布模式以及数据属性之间有趣的相互关系。计算智能通过建立聚类分析模型和计算用于聚类分析。基于计算智能的聚类分析模型会继承生物系统的处理机制和特征,即对模型有自然的描述能力,并不需要建立精确的数学模型;对处理目标的特性有良好的适应能力;具有良好的自组织特征;处理结果的可视化效果好,便于理解学习;具有一定的智能特征,从而获得了一定智能行为的能力;生物系统的多变性和多样性,也带来了处理目标的多样性;生物系统是大自然的一种客观存在,便于观察和分析,因此具有良好的开放性。计算智能领域非常广泛,从方法上讲,目前计算智能主要包括模糊控制、神经网络、进化计算、群体智能、免疫算法、人工生命和DNA计算等。论文以自组织特征映射(SOM)神经网络和群体智能两种计算智能技术用于聚类分析作为研究主线,开展研究,提出了动态SOM(DSOM)聚类分析模型和自组织混合蚁群(SOMAC)聚类分析模型,对两种模型基于数据并行和消息传递模式进行并行化研究,提出了DSOM并行聚类算法和SOMAC并行聚类算法,最后将DSOM聚类分析模型及其并行化策略用于客户分类,将SOMAC聚类分析模型及其并行化策略用于入侵检测,并通过试验,验证了论文每部分研究工作的有效性和可行性。现将论文的主要研究内容概括如下:1)对论文的理论基础进行介绍和综述。主要包括计算智能技术、群体智能技术、聚类技术的介绍以及研究现状综述。2)基于神经网络的聚类分析模型研究。为了克服固定结构SOM网络进行聚类分析的困难,论文借鉴GSOM网络训练算法的思想,提出了DSOM网络聚类分析模型。DSOM可按需要方便地在任意合适位置生成新结点,所采用的节点生长函数也更加简单实用,使得聚类的执行效率明显提高;DSOM结合了小波聚类的思想,降低了因反复调整学习率和误差率所花费的时间,又自动去除了特征空间中的噪声数据,提高了聚类结果的精度;在DSOM的基础上,利用生长因子控制

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 课题的背景和意义
• 1.2 计算智能技术及研究现状
• 1.3 群体智能技术及研究现状
• 1.3.1 群体智能相关概念及关键技术
• 1.3.2 群体智能研究现状
• 1.3.3 基本蚁群算法
• 1.4 聚类技术及研究现状
• 1.4.1 聚类的定义及相关概念
• 1.4.2 潜在应用对聚类算法提出的特别要求
• 1.4.3 聚类分析中的聚类准则函数
• 1.4.4 划分聚类算法
• 1.4.5 层次聚类算法
• 1.4.6 基于密度的聚类算法
• 1.4.7 基于网格的聚类算法
• 1.4.8 基于模型的聚类算法
• 1.5 论文的主要研究内容
• 2 基于神经网络的聚类分析模型研究
• 2.1 引言
• 2.2 LVQ 网络聚类分析模型
• 2.3 SOM 网络聚类分析模型
• 2.3.1 SOM 网络基本原理
• 2.3.2 SOM 的特性
• 2.3.3 SOM 网络学习算法
• 2.4 GSOM 网络聚类分析模型
• 2.5 层次动态增长聚类分析模型GHSOM
• 2.6 DSOM 网络聚类分析模型
• 2.6.1 网络结构
• 2.6.2 基本概念
• 2.6.3 DSOM 网络训练算法
• 2.6.4 参数选择及相关分析
• 2.6.5 试验结果及分析
• 2.7 本章小结
• 3 基于群体智能的聚类分析模型研究
• 3.1 引言
• 3.2 蚁群聚类基本模型
• 3.3 LF 聚类分析模型
• 3.4 自组织混合蚁群聚类SOMAC 分析模型
• 3.4.1 SOMAC 模型的原理
• 3.4.2 基本概念和相关参数分析
• 3.4.3 SOMAC 算法描述
• 3.4.4 试验结果及分析
• 3.5 基于SOMAC 的高维聚类框架
• 3.5.1 基本思想和原理
• 3.5.2 基于SOMAC 的高维聚类框架描述
• 3.5.3 试验结果及分析
• 3.5.4 高维聚类通用框架
• 3.6 本章小结
• 4 基于计算智能的聚类分析模型并行化研究
• 4.1 引言
• 4.2 并行程序设计
• 4.2.1 并行程序设计方式
• 4.2.2 并行计算方式
• 4.2.3 并行算法的性能度量
• 4.3 DSOM 聚类分析模型的并行算法研究
• 4.3.1 DSOM 聚类分析模型的并行计算策略
• 4.3.2 试验结果及分析
• 4.4 SOMAC 聚类分析模型的并行算法研究
• 4.4.1 SOMAC 聚类分析模型的并行计算策略
• 4.4.2 试验结果及分析
• 4.5 本章小结
• 5 DSOM 聚类分析模型在客户分类中的应用
• 5.1 引言
• 5.2 CRM 与客户分类
• 5.2.1 CRM 的内涵
• 5.2.2 CRM 中有关客户分类的指标
• 5.2.3 CRM 中有关客户分类的方法
• 5.2.4 客户分类算法的选取
• 5.3 基于DSOM 聚类分析模型的客户分类
• 5.3.1 客户分类的定义
• 5.3.2 基于DSOM 的客户分类算法
• 5.3.3 客户簇的标识以及最终客户类型的确定
• 5.3.4 模拟运行结果及分析
• 5.4 本章小结
• 6 SOMAC 聚类分析模型在入侵检测中的应用
• 6.1 引言
• 6.2 网络入侵检测
• 6.2.1 网络入侵现状
• 6.2.2 入侵检测技术的发展及必要性
• 6.2.3 入侵检测系统的基本构成
• 6.2.4 主要的入侵分析技术
• 6.2.5 异常检测研究现状
• 6.3 基于SOMAC 聚类分析模型的异常检测
• 6.3.1 异常检测的评价指标
• 6.3.2 簇的标识方法及相关定义
• 6.3.3 基于SOMAC 的异常检测算法
• 6.3.4 检测结果及分析
• 6.4 基于SOMAC 的检测分类器
• 6.4.1 SOMAC 检测分类器的原理
• 6.4.2 基于SOMAC 的检测分类算法
• 6.4.3 检测结果及分析
• 6.5 本章小结
• 7 总结与展望
• 7.1 主要结论
• 7.2 后续研究工作的展望
• 致谢
• 参考文献
• 附录
• 1. 作者攻读博士学位期间发表或录用的论文
• 2. 作者在攻读博士学位期间参加的科研项目